海北州网站建设公司,网站开发过程有几个阶段,页面升级自动跳转,怎样免费推广网站目录 一、问题描述二、利用概念神经网络实现柴油机故障诊断原理三、算法步骤3.1 定义样本3.2 样本归一化3.3 创建网络模型3.4 测试3.5 显示结果 四、运行结果五、完整代码 一、问题描述
柴油机的结构较为复杂#xff0c;工作状况非常恶劣#xff0c;因此发生故障的可能性较大… 目录 一、问题描述二、利用概念神经网络实现柴油机故障诊断原理三、算法步骤3.1 定义样本3.2 样本归一化3.3 创建网络模型3.4 测试3.5 显示结果 四、运行结果五、完整代码 一、问题描述
柴油机的结构较为复杂工作状况非常恶劣因此发生故障的可能性较大。本例采用概率神经网络建立分类模型采集柴油机振动信号作为输入成功实现了故障有无的判断和故障类型的判断。 柴油机故障诊断可以抽象对一种分类问题有无故障的判断是一种二分类问题而具体故障类型的判断为多类分类问题。正确判断的关键在于选择合适的特征来描述柴油机的工作状况以及选用合适的分类器将不同类别的样本分开。
二、利用概念神经网络实现柴油机故障诊断原理
特征选择。柴油机运行时包含丰富的特征信息可以选择气压、油压、热力性能参数、振动参数等。本例采用振动时域信号作为特征信号。分类器设计。这里采用概率神经网络来完成。 定义柴油机的五种故障类型
类型123456分类模式第一缸喷油压力过大第一缸喷油压力过小第一缸喷油器针阀磨损油路堵塞供油提前角提前正常状态
采集柴油机正常运转和5种故障模式下的振动信号再对振动波形做统计学处理得到能量参数、峰度参数、波形参数、裕度参数、脉冲参数和峰值参数形成一个6维向量 x [ x 1 , x 2 , x 3 , x 4 , x 5 , x 6 ] {\bf{x}} \left[ {{x_1},{x_2},{x_3},{x_4},{x_5},{x_6}} \right] x[x1,x2,x3,x4,x5,x6] 收集2份每种分类模式的样本共计12份训练样本详细样本见3.1节。 用于柴油机故障诊断的概率神经网络模型包含12份输入样本每个样本为6维向量分类模式为6种建立的概率神经网络结构如下 算法流程图如下
三、算法步骤
3.1 定义样本
每列为一个样本训练样本为612矩阵测试样本为66矩阵
%% 定义训练样本和测试样本
% 故障1
pro1 [1.97,9.5332,1.534,16.7413,12.741,8.3052;1.234,9.8209,1.531,18.3907,13.988,9.1336];
% 故障2
pro2 [0.7682,9.5489,1.497,14.7612,11.497,7.68;0.7053,9.5317,1.508,14.3161,11.094,7.3552];
% 故障3
pro3 [0.8116,8.1302,1.482,14.3171,11.1105,7.4967;0.816,9.0388,1.497,15.0079,11.6242,7.7604];
% 故障4
pro4 [1.4311,8.9071,1.521,15.746,12.0088,7.8909;1.4136,8.6747,1.53,15.3114,11.6297,7.5984];
% 故障5
pro5 [1.167,8.3504,1.51,12.8119,9.8258,6.506;1.3392,9.0865,1.493,15.0798,11.6764,7.8209];
% 正常运转
normal [1.1803,10.4502,1.513,20.0887,15.465,10.2193;1.2016,12.4476,1.555,20.6162,15.755,10.1285];% 训练样本
trainx [pro1, pro2, pro3, pro4, pro5, normal];
% 训练样本的标签
trlab 1:6;
trlab repmat(trlab, 2, 1);
trlab trlab(:);3.2 样本归一化
使用mapminmax函数完成训练样本的归一化
[x0,s] mapminmax(trainx);3.3 创建网络模型
newpnn函数唯一的可调参数为平滑因子spread在这里将其设置为1
spread 1;
net newpnn(x0, ind2vec(trlab), spread);3.4 测试
首先需要定义测试样本及其正确分类模式标签然后将测试样本按与训练样本相同的方式进行归一化最后将其输入到上一步创建的网络模型中
% 测试样本
testx [0.7854,8.7568,1.4915,14.4547,11.1971,7.5071;1.1833,11.8189,1.5481,20.2626,15.5814,10.0646;0.661,8.8735,1.508,13.598,10.5171,6.9744;1.3111,7.9501,1.4915,14.9174,10.7511,7.7127;1.2394,9.6018,1.5366,18.219,13.851,9.0142; 1.2448,8.3654,1.5413,15.2558,11.5643,7.503];% 测试样本标签正确类别
testlab [3,6,2,5,1,4];% 测试样本归一化
xx mapminmax(apply,testx, s);% 将测试样本输入模型
s sim(net,xx);% 将向量形式的分类结果表示为标量
res vec2ind(s);3.5 显示结果
显示6个测试样本的诊断结果这6个样本分别属于一种分类模式
strr cell(1,6);
for i1:6if res(i) testlab(i)strr{i} 正确;elsestrr{i} 错误;end
enddiagnose_ {第一缸喷油压力过大,第一缸喷油压力过小, 第一缸喷油器针阀磨损,...油路堵塞, 供油提前角提前 ,正常};fprintf(诊断结果\n);
fprintf( 样本序号 实际类别 判断类别 正/误 故障类型 \n);
for i 1:6fprintf( %d %d %d %s %s\n,...i, testlab(i), res(i), strr{i}, diagnose_{res(i)});
end四、运行结果
运行结果如下
五、完整代码
完整代码如下
%% 清空工作空间
clear,clc
close all%% 定义训练样本和测试样本
% 故障1
pro1 [1.97,9.5332,1.534,16.7413,12.741,8.3052;1.234,9.8209,1.531,18.3907,13.988,9.1336];
% 故障2
pro2 [0.7682,9.5489,1.497,14.7612,11.497,7.68;0.7053,9.5317,1.508,14.3161,11.094,7.3552];
% 故障3
pro3 [0.8116,8.1302,1.482,14.3171,11.1105,7.4967;0.816,9.0388,1.497,15.0079,11.6242,7.7604];
% 故障4
pro4 [1.4311,8.9071,1.521,15.746,12.0088,7.8909;1.4136,8.6747,1.53,15.3114,11.6297,7.5984];
% 故障5
pro5 [1.167,8.3504,1.51,12.8119,9.8258,6.506;1.3392,9.0865,1.493,15.0798,11.6764,7.8209];
% 正常运转
normal [1.1803,10.4502,1.513,20.0887,15.465,10.2193;1.2016,12.4476,1.555,20.6162,15.755,10.1285];% 训练样本
trainx [pro1, pro2, pro3, pro4, pro5, normal];
% 训练样本的标签
trlab 1:6;
trlab repmat(trlab, 2, 1);
trlab trlab(:);%% 样本的归一化,s为归一化设置
[x0,s] mapminmax(trainx);%% 创建概率神经网络
tic;
spread 1;
net newpnn(x0, ind2vec(trlab), spread);
toc%% 测试
% 测试样本
testx [0.7854,8.7568,1.4915,14.4547,11.1971,7.5071;1.1833,11.8189,1.5481,20.2626,15.5814,10.0646;0.661,8.8735,1.508,13.598,10.5171,6.9744;1.3111,7.9501,1.4915,14.9174,10.7511,7.7127;1.2394,9.6018,1.5366,18.219,13.851,9.0142; 1.2448,8.3654,1.5413,15.2558,11.5643,7.503];% 测试样本标签正确类别
testlab [3,6,2,5,1,4];% 测试样本归一化
xx mapminmax(apply,testx, s);% 将测试样本输入模型
s sim(net,xx);% 将向量形式的分类结果表示为标量
res vec2ind(s);%% 显示结果
strr cell(1,6);
for i1:6if res(i) testlab(i)strr{i} 正确;elsestrr{i} 错误;end
enddiagnose_ {第一缸喷油压力过大,第一缸喷油压力过小, 第一缸喷油器针阀磨损,...油路堵塞, 供油提前角提前 ,正常};fprintf(诊断结果\n);
fprintf( 样本序号 实际类别 判断类别 正/误 故障类型 \n);
for i 1:6fprintf( %d %d %d %s %s\n,...i, testlab(i), res(i), strr{i}, diagnose_{res(i)});
end
